生成式即插即用：面向逆问题的后验采样

在过去十年中，即插即用（Plug-and-Play, PnP）已成为一种流行的图像重建方法，其采用由前向模型与先验模型组成的模块化框架。PnP 的巨大优势在于可使用图像去噪器作为先验模型，而前向模型可使用更传统的基于物理的方法实现。然而，PnP 的局限在于其仅能重建单一确定性图像。在本文中，我们引入生成式即插即用（Generative Plug-and-Play, GPnP），作为 PnP 从后验分布中采样的推广。与 PnP 相同，GPnP 具有使用基于物理的前向模型与图像去噪先验模型的模块化框架。但在 GPnP 中，这些模型被扩展为近端生成器（proximal generator），从相关分布中采样。GPnP 交替应用这些近端生成器以从后验中产生样本。我们采用著名的 BM3D 去噪器进行实验仿真。我们的结果表明，GPnP 方法鲁棒、易于实现，并为稀疏插值与层析重建从后验中生成直观合理的样本。本文配套代码见 https://github.com/gbuzzard/generative-pnp-allerton 。